基于动作分块Transformer的模仿学习与动态规划优化，用于低成本机器人装配任务

《Scientific Reports》：Action chunking transformer-based imitation learning with dynamic programming optimization for low-cost robotic assembly tasks

　　

摘要

如今，许多研究致力于利用人工智能工具提升装配等领域中机械手的工作性能。其中一种常用的方法是动作分块变换器（ACT），它能帮助机器人更高效地完成装配任务。不过，对于那些机械重复精度较低的低成本机械手而言，这种方法在实现稳定装配性能方面仍面临挑战。为解决这一问题，本文提出了一种基于动态规划的动作分块变换器框架（DP-ACT）。通过将动态规划整合到ACT的推理流程中，该框架能够在保持原有控制回路频率的同时实现局部轨迹校正。所提出的框架在配备Feetech执行器的低成本SO100机器人机械手上进行了测试，并通过三阶段的精密装配任务进行了评估。共收集了160次远程操控演示数据用于离线训练，同时进行了100次装配试验以评估性能。实验结果表明，DP-ACT将装配成功率从62%提升到了82%，并且在保持相近任务完成时间的同时显著提升了轨迹效率。